Bài báo này đề xuất LightDP, một khuôn khổ mới được thiết kế để đẩy nhanh việc triển khai các chính sách khuếch tán theo thời gian thực, vốn đang gặp khó khăn do tài nguyên thiết bị di động hạn chế. LightDP giải quyết các nút thắt tính toán thông qua hai chiến lược chính: nén mạng của mô-đun khử nhiễu và giảm các bước lấy mẫu cần thiết. Chúng tôi tiến hành phân tích tính toán sâu rộng các kiến trúc chính sách khuếch tán hiện có để xác định mạng khử nhiễu là yếu tố chính gây ra độ trễ. Để khắc phục sự suy giảm hiệu suất liên quan đến các phương pháp cắt tỉa hiện có, chúng tôi giới thiệu một quy trình cắt tỉa và đào tạo lại tích hợp, tối ưu hóa rõ ràng khả năng phục hồi sau khi cắt tỉa của mô hình. Hơn nữa, chúng tôi kết hợp các kỹ thuật cắt tỉa với phương pháp chưng cất tính nhất quán để giảm hiệu quả các bước lấy mẫu trong khi vẫn duy trì độ chính xác của dự đoán hành động. Các đánh giá thử nghiệm trên các tập dữ liệu tiêu chuẩn như PushT, Robomimic, CALVIN và LIBERO chứng minh rằng LightDP đạt được hiệu suất cạnh tranh trong việc dự đoán hành động theo thời gian thực trên thiết bị di động, thể hiện một bước tiến đáng kể hướng tới việc triển khai thực tế các chính sách dựa trên khuếch tán trong các môi trường hạn chế về tài nguyên. Các thử nghiệm thực tế sâu rộng chứng minh rằng LightDP được đề xuất đạt được hiệu suất tương đương với các chính sách khuếch tán tiên tiến.
